چه زمانی نمایش داده ها خطرناک است؟
هدف از نمایش داده ها چیست؟
یک یادآوری از هدفی که برای نمایش داده ها داریم بکنیم. هدفی که از نمایش داده ها داریم اینست که منجر به یک نتیجه گیری به یادماندنی شود. به طور مثال یکی از مواردی که برای شرکت گاز در زمستان، برای شرکت آب و فاضلاب در تابستان اهمیت دارد مقدار مصرف گاز و آب است. در زمستان اخبار مربوط به مصرف گاز و در تابستان اخبار مربوط به مصرف آب را دائم میشنویم. سخنگوی شرکتها که تلاش دارند با نمودارها نشان دهند که مصرف آب، گاز و .. بیشتر از مقدار استاندارد است. آیا در این زمان میتوان نمودارها را به نحوی تنظیم کرد که تفاوت مقدار مصرف و مقدار استاندارد را اغراق آمیز خیلی بیشتر نمایش دهد؟؟
نمایش تفاوت ها به صورت غیر واقعی
یکی از پارامترهای مهم در ترسیم نمودار، تنظیم مقیاس نمودار است. مقیاس نمودارها باعث نمایش و تنظیم ابعاد شکل میشود. در خوش بینانه ترین حالت، خطاهای نمایش داده ها اشتباهات غیرعمدی هستند که منجر به اطلاعات نادرست می شوند و در بدترین حالت، آنها دستکاری های هدفمندی هستند که برای تأثیرگذاری بر داستانی که یک نمودار می تواند بیان کند، طراحی شده اند. مثال زیر نمایش تفاوت مصرف گاز و مقدار استاندارد آن است. تفاوت مقادیری که نمایش داده شده به نظر خیلی زیاد میرسد.
اما آیا واقعا تفاوت خیلی زیاد است. اگر دقت کنید متوجه میشوید که محور عمودی به جای اینکه از صفر شروع شود از 5/5 شروع شده است. این تنظیم مقیاس محور عمودی باعث شده که تفاوت بین مقدار مصرف و مقدار استاندارد بیشتر به نظر برسد و باعث فریب بیننده شود. اما نمودار واقعی به چه صورت است.
نکته مهم : طول میله ها و ستونها با تغییر مقیاس محور عمودی، نتیجه متفاوتی را در ذهن مخاطب ثبت میکند.
ادراک ما نسبت به تغییر مقیاس نمودارها چیست؟
و اما یک تحقیق، برتینی (2015) مطالعه ای برای بررسی ادراک مخاطبین نسبت به نمودارهای واقعی و دستکاری شده انجام دادند. نتایج جالبی از این تحقیق بدست آمد (https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2566968). نتایج در قالب نمودارهای ستونی، حبابی و خطی نمایش داده شد. در مقیاس این نمودارها تغییراتی داده شد و به مخاطبین نمایش داده شد. نمودارهای دستکاری شده باعث شد که مخاطبان پاسخهایی بین 5/58 تا 5/129 درصد بزرگتر از شرایط کنترل و شاهد بدهند.
از بین نمودارهای میله ای، حبابی و خطی، بیشترین اثرگذاری دستکاری در نمودار خطی مشاهده شد. نمودارهای میله ای و حبابی اثرگذاری پایین تری داشتند.
نکته جالب دیگر زمانی بود که دستکاری در نمودارهای معکوس استفاده شد و این شرایط باعث 5/97 درصد پاسخ اشتباه شد در حالی از نمودارهای معکوس واقعی تنها 4/18 درصد پاسخ اشتباه دریافت شد.
بنابراین …
بنابراین برش عمدی و دستکاری در مقیاس محورها باعث تغییر نتیجه گیری میشود.. تجسم داده ها و بصری سازی داده ها ابزار قدرتمندی برای انتقال اطلاعات است و به نفع همه است که یاد بگیرند چگونه داده ها را به بهترین و دقیق ترین شکل ممکن نمایش دهند.
برگرفته از کتاب “Effective data visualization, the right chart for right data. Stephanie Evergreen ”
دیدگاهتان را بنویسید